使用特定代碼求。
成都創(chuàng)新互聯(lián)公司服務(wù)項(xiàng)目包括西安網(wǎng)站建設(shè)、西安網(wǎng)站制作、西安網(wǎng)頁(yè)制作以及西安網(wǎng)絡(luò)營(yíng)銷(xiāo)策劃等。多年來(lái)，我們專(zhuān)注于互聯(lián)網(wǎng)行業(yè)，利用自身積累的技術(shù)優(yōu)勢(shì)、行業(yè)經(jīng)驗(yàn)、深度合作伙伴關(guān)系等，向廣大中小型企業(yè)、政府機(jī)構(gòu)等提供互聯(lián)網(wǎng)行業(yè)的解決方案，西安網(wǎng)站推廣取得了明顯的社會(huì)效益與經(jīng)濟(jì)效益。目前，我們服務(wù)的客戶(hù)以成都為中心已經(jīng)輻射到西安省份的部分城市，未來(lái)相信會(huì)繼續(xù)擴(kuò)大服務(wù)區(qū)域并繼續(xù)獲得客戶(hù)的支持與信任！
眾數(shù)是指在統(tǒng)計(jì)分布上具有明顯集中趨勢(shì)點(diǎn)的數(shù)值，代表數(shù)據(jù)的一般水平。也是一組數(shù)據(jù)中出現(xiàn)次數(shù)最多的數(shù)值，有時(shí)眾數(shù)在一組數(shù)中有好幾個(gè)，用M表示。
眾數(shù)是樣本觀測(cè)值在頻數(shù)分布表中頻數(shù)最多的那一組的組中值，主要應(yīng)用于大面積普查研究之中。
眾數(shù)是在一組數(shù)據(jù)中，出現(xiàn)次數(shù)最多的數(shù)據(jù)，是一組數(shù)據(jù)中的原數(shù)據(jù)，而不是相應(yīng)的次數(shù)。
import numpy as np
a = np.array([1,2,3,1,2,1,1,1,3,2,2,1])
counts = np.bincount(a)
print np.argmax(counts)
1
1. 常用函數(shù)庫(kù)
? scipy包中的stats模塊和statsmodels包是python常用的數(shù)據(jù)分析工具，scipy.stats以前有一個(gè)models子模塊，后來(lái)被移除了。這個(gè)模塊被重寫(xiě)并成為了現(xiàn)在獨(dú)立的statsmodels包。
?scipy的stats包含一些比較基本的工具，比如：t檢驗(yàn)，正態(tài)性檢驗(yàn)，卡方檢驗(yàn)之類(lèi)，statsmodels提供了更為系統(tǒng)的統(tǒng)計(jì)模型，包括線性模型，時(shí)序分析，還包含數(shù)據(jù)集，做圖工具等等。
2. 小樣本數(shù)據(jù)的正態(tài)性檢驗(yàn)
(1) 用途
?夏皮羅維爾克檢驗(yàn)法 (Shapiro-Wilk) 用于檢驗(yàn)參數(shù)提供的一組小樣本數(shù)據(jù)線是否符合正態(tài)分布，統(tǒng)計(jì)量越大則表示數(shù)據(jù)越符合正態(tài)分布，但是在非正態(tài)分布的小樣本數(shù)據(jù)中也經(jīng)常會(huì)出現(xiàn)較大的W值。需要查表來(lái)估計(jì)其概率。由于原假設(shè)是其符合正態(tài)分布，所以當(dāng)P值小于指定顯著水平時(shí)表示其不符合正態(tài)分布。
?正態(tài)性檢驗(yàn)是數(shù)據(jù)分析的第一步，數(shù)據(jù)是否符合正態(tài)性決定了后續(xù)使用不同的分析和預(yù)測(cè)方法，當(dāng)數(shù)據(jù)不符合正態(tài)性分布時(shí)，我們可以通過(guò)不同的轉(zhuǎn)換方法把非正太態(tài)數(shù)據(jù)轉(zhuǎn)換成正態(tài)分布后再使用相應(yīng)的統(tǒng)計(jì)方法進(jìn)行下一步操作。
(2) 示例
(3) 結(jié)果分析
?返回結(jié)果 p-value=0.029035290703177452，比指定的顯著水平（一般為5%）小，則拒絕假設(shè)：x不服從正態(tài)分布。
3. 檢驗(yàn)樣本是否服務(wù)某一分布
(1) 用途
?科爾莫戈羅夫檢驗(yàn)(Kolmogorov-Smirnov test)，檢驗(yàn)樣本數(shù)據(jù)是否服從某一分布，僅適用于連續(xù)分布的檢驗(yàn)。下例中用它檢驗(yàn)正態(tài)分布。
(2) 示例
(3) 結(jié)果分析
?生成300個(gè)服從N(0,1)標(biāo)準(zhǔn)正態(tài)分布的隨機(jī)數(shù)，在使用k-s檢驗(yàn)該數(shù)據(jù)是否服從正態(tài)分布，提出假設(shè)：x從正態(tài)分布。最終返回的結(jié)果，p-value=0.9260909172362317，比指定的顯著水平（一般為5%）大，則我們不能拒絕假設(shè)：x服從正態(tài)分布。這并不是說(shuō)x服從正態(tài)分布一定是正確的，而是說(shuō)沒(méi)有充分的證據(jù)證明x不服從正態(tài)分布。因此我們的假設(shè)被接受，認(rèn)為x服從正態(tài)分布。如果p-value小于我們指定的顯著性水平，則我們可以肯定地拒絕提出的假設(shè)，認(rèn)為x肯定不服從正態(tài)分布，這個(gè)拒絕是絕對(duì)正確的。
4.方差齊性檢驗(yàn)
(1) 用途
?方差反映了一組數(shù)據(jù)與其平均值的偏離程度，方差齊性檢驗(yàn)用以檢驗(yàn)兩組或多組數(shù)據(jù)與其平均值偏離程度是否存在差異，也是很多檢驗(yàn)和算法的先決條件。
(2) 示例
(3) 結(jié)果分析
?返回結(jié)果 p-value=0.19337536323599344, 比指定的顯著水平（假設(shè)為5%）大，認(rèn)為兩組數(shù)據(jù)具有方差齊性。
5. 圖形描述相關(guān)性
(1) 用途
?最常用的兩變量相關(guān)性分析，是用作圖描述相關(guān)性，圖的橫軸是一個(gè)變量，縱軸是另一變量，畫(huà)散點(diǎn)圖，從圖中可以直觀地看到相關(guān)性的方向和強(qiáng)弱，線性正相關(guān)一般形成由左下到右上的圖形；負(fù)面相關(guān)則是從左上到右下的圖形，還有一些非線性相關(guān)也能從圖中觀察到。
(2) 示例
(3) 結(jié)果分析
?從圖中可以看到明顯的正相關(guān)趨勢(shì)。
6. 正態(tài)資料的相關(guān)分析
(1) 用途
?皮爾森相關(guān)系數(shù)（Pearson correlation coefficient）是反應(yīng)兩變量之間線性相關(guān)程度的統(tǒng)計(jì)量，用它來(lái)分析正態(tài)分布的兩個(gè)連續(xù)型變量之間的相關(guān)性。常用于分析自變量之間，以及自變量和因變量之間的相關(guān)性。
(2) 示例
(3) 結(jié)果分析
?返回結(jié)果的第一個(gè)值為相關(guān)系數(shù)表示線性相關(guān)程度，其取值范圍在[-1,1]，絕對(duì)值越接近1，說(shuō)明兩個(gè)變量的相關(guān)性越強(qiáng)，絕對(duì)值越接近0說(shuō)明兩個(gè)變量的相關(guān)性越差。當(dāng)兩個(gè)變量完全不相關(guān)時(shí)相關(guān)系數(shù)為0。第二個(gè)值為p-value，統(tǒng)計(jì)學(xué)上，一般當(dāng)p-value0.05時(shí)，可以認(rèn)為兩變量存在相關(guān)性。
7. 非正態(tài)資料的相關(guān)分析
(1) 用途
?斯皮爾曼等級(jí)相關(guān)系數(shù)(Spearman’s correlation coefficient for ranked data )，它主要用于評(píng)價(jià)順序變量間的線性相關(guān)關(guān)系，在計(jì)算過(guò)程中，只考慮變量值的順序（rank, 值或稱(chēng)等級(jí)），而不考慮變量值的大小。常用于計(jì)算類(lèi)型變量的相關(guān)性。
(2) 示例
(3) 結(jié)果分析
?返回結(jié)果的第一個(gè)值為相關(guān)系數(shù)表示線性相關(guān)程度，本例中correlation趨近于1表示正相關(guān)。第二個(gè)值為p-value，p-value越小，表示相關(guān)程度越顯著。
8. 單樣本T檢驗(yàn)
(1) 用途
?單樣本T檢驗(yàn)，用于檢驗(yàn)數(shù)據(jù)是否來(lái)自一致均值的總體，T檢驗(yàn)主要是以均值為核心的檢驗(yàn)。注意以下幾種T檢驗(yàn)都是雙側(cè)T檢驗(yàn)。
(2) 示例
(3) 結(jié)果分析
?本例中生成了2列100行的數(shù)組，ttest_1samp的第二個(gè)參數(shù)是分別對(duì)兩列估計(jì)的均值，p-value返回結(jié)果，第一列1.47820719e-06比指定的顯著水平（一般為5%）小，認(rèn)為差異顯著，拒絕假設(shè)；第二列2.83088106e-01大于指定顯著水平，不能拒絕假設(shè)：服從正態(tài)分布。
9. 兩獨(dú)立樣本T檢驗(yàn)
(1) 用途
?由于比較兩組數(shù)據(jù)是否來(lái)自于同一正態(tài)分布的總體。注意：如果要比較的兩組數(shù)據(jù)不滿(mǎn)足方差齊性， 需要在ttest_ind()函數(shù)中添加參數(shù)equal_var = False。
(2) 示例
(3) 結(jié)果分析
?返回結(jié)果的第一個(gè)值為統(tǒng)計(jì)量，第二個(gè)值為p-value，pvalue=0.19313343989106416，比指定的顯著水平（一般為5%）大，不能拒絕假設(shè)，兩組數(shù)據(jù)來(lái)自于同一總結(jié)，兩組數(shù)據(jù)之間無(wú)差異。
10. 配對(duì)樣本T檢驗(yàn)
(1) 用途
?配對(duì)樣本T檢驗(yàn)可視為單樣本T檢驗(yàn)的擴(kuò)展，檢驗(yàn)的對(duì)象由一群來(lái)自正態(tài)分布獨(dú)立樣本更改為二群配對(duì)樣本觀測(cè)值之差。它常用于比較同一受試對(duì)象處理的前后差異，或者按照某一條件進(jìn)行兩兩配對(duì)分別給與不同處理的受試對(duì)象之間是否存在差異。
(2) 示例
(3) 結(jié)果分析
?返回結(jié)果的第一個(gè)值為統(tǒng)計(jì)量，第二個(gè)值為p-value，pvalue=0.80964043445811551，比指定的顯著水平（一般為5%）大，不能拒絕假設(shè)。
11. 單因素方差分析
(1) 用途
?方差分析(Analysis of Variance，簡(jiǎn)稱(chēng)ANOVA)，又稱(chēng)F檢驗(yàn)，用于兩個(gè)及兩個(gè)以上樣本均數(shù)差別的顯著性檢驗(yàn)。方差分析主要是考慮各組之間的平均數(shù)差別。
?單因素方差分析（One-wayAnova），是檢驗(yàn)由單一因素影響的多組樣本某因變量的均值是否有顯著差異。
?當(dāng)因變量Y是數(shù)值型，自變量X是分類(lèi)值，通常的做法是按X的類(lèi)別把實(shí)例成分幾組，分析Y值在X的不同分組中是否存在差異。
(2) 示例
(3) 結(jié)果分析
?返回結(jié)果的第一個(gè)值為統(tǒng)計(jì)量，它由組間差異除以組間差異得到，上例中組間差異很大，第二個(gè)返回值p-value=6.2231520821576832e-19小于邊界值（一般為0.05）,拒絕原假設(shè), 即認(rèn)為以上三組數(shù)據(jù)存在統(tǒng)計(jì)學(xué)差異，并不能判斷是哪兩組之間存在差異 。只有兩組數(shù)據(jù)時(shí)，效果同 stats.levene 一樣。
12. 多因素方差分析
(1) 用途
?當(dāng)有兩個(gè)或者兩個(gè)以上自變量對(duì)因變量產(chǎn)生影響時(shí)，可以用多因素方差分析的方法來(lái)進(jìn)行分析。它不僅要考慮每個(gè)因素的主效應(yīng)，還要考慮因素之間的交互效應(yīng)。
(2) 示例
(3) 結(jié)果分析
?上述程序定義了公式，公式中，"~"用于隔離因變量和自變量，”+“用于分隔各個(gè)自變量， ":"表示兩個(gè)自變量交互影響。從返回結(jié)果的P值可以看出，X1和X2的值組間差異不大，而組合后的T:G的組間有明顯差異。
13. 卡方檢驗(yàn)
(1) 用途
?上面介紹的T檢驗(yàn)是參數(shù)檢驗(yàn)，卡方檢驗(yàn)是一種非參數(shù)檢驗(yàn)方法。相對(duì)來(lái)說(shuō)，非參數(shù)檢驗(yàn)對(duì)數(shù)據(jù)分布的要求比較寬松，并且也不要求太大數(shù)據(jù)量?？ǚ綑z驗(yàn)是一種對(duì)計(jì)數(shù)資料的假設(shè)檢驗(yàn)方法，主要是比較理論頻數(shù)和實(shí)際頻數(shù)的吻合程度。常用于特征選擇，比如，檢驗(yàn)?zāi)腥撕团嗽谑欠窕加懈哐獕荷嫌袩o(wú)區(qū)別，如果有區(qū)別，則說(shuō)明性別與是否患有高血壓有關(guān)，在后續(xù)分析時(shí)就需要把性別這個(gè)分類(lèi)變量放入模型訓(xùn)練。
?基本數(shù)據(jù)有R行C列, 故通稱(chēng)RC列聯(lián)表(contingency table), 簡(jiǎn)稱(chēng)RC表，它是觀測(cè)數(shù)據(jù)按兩個(gè)或更多屬性（定性變量）分類(lèi)時(shí)所列出的頻數(shù)表。
(2) 示例
(3) 結(jié)果分析
?卡方檢驗(yàn)函數(shù)的參數(shù)是列聯(lián)表中的頻數(shù)，返回結(jié)果第一個(gè)值為統(tǒng)計(jì)量值，第二個(gè)結(jié)果為p-value值，p-value=0.54543425102570975，比指定的顯著水平（一般5%）大，不能拒絕原假設(shè)，即相關(guān)性不顯著。第三個(gè)結(jié)果是自由度，第四個(gè)結(jié)果的數(shù)組是列聯(lián)表的期望值分布。
14. 單變量統(tǒng)計(jì)分析
(1) 用途
?單變量統(tǒng)計(jì)描述是數(shù)據(jù)分析中最簡(jiǎn)單的形式，其中被分析的數(shù)據(jù)只包含一個(gè)變量，不處理原因或關(guān)系。單變量分析的主要目的是通過(guò)對(duì)數(shù)據(jù)的統(tǒng)計(jì)描述了解當(dāng)前數(shù)據(jù)的基本情況，并找出數(shù)據(jù)的分布模型。
?單變量數(shù)據(jù)統(tǒng)計(jì)描述從集中趨勢(shì)上看，指標(biāo)有：均值，中位數(shù)，分位數(shù)，眾數(shù)；從離散程度上看，指標(biāo)有：極差、四分位數(shù)、方差、標(biāo)準(zhǔn)差、協(xié)方差、變異系數(shù)，從分布上看，有偏度，峰度等。需要考慮的還有極大值，極小值（數(shù)值型變量）和頻數(shù)，構(gòu)成比（分類(lèi)或等級(jí)變量）。
?此外，還可以用統(tǒng)計(jì)圖直觀展示數(shù)據(jù)分布特征，如：柱狀圖、正方圖、箱式圖、頻率多邊形和餅狀圖。
15. 多元線性回歸
(1) 用途
?多元線性回歸模型（multivariable linear regression model ），因變量Y（計(jì)量資料）往往受到多個(gè)變量X的影響，多元線性回歸模型用于計(jì)算各個(gè)自變量對(duì)因變量的影響程度，可以認(rèn)為是對(duì)多維空間中的點(diǎn)做線性擬合。
(2) 示例
(3) 結(jié)果分析
?直接通過(guò)返回結(jié)果中各變量的P值與0.05比較，來(lái)判定對(duì)應(yīng)的解釋變量的顯著性，P0.05則認(rèn)為自變量具有統(tǒng)計(jì)學(xué)意義，從上例中可以看到收入INCOME最有顯著性。
16. 邏輯回歸
(1) 用途
?當(dāng)因變量Y為2分類(lèi)變量（或多分類(lèi)變量時(shí)）可以用相應(yīng)的logistic回歸分析各個(gè)自變量對(duì)因變量的影響程度。
(2) 示例
(3) 結(jié)果分析
?直接通過(guò)返回結(jié)果中各變量的P值與0.05比較，來(lái)判定對(duì)應(yīng)的解釋變量的顯著性，P0.05則認(rèn)為自變量具有統(tǒng)計(jì)學(xué)意義。
一些小提示和小技巧可能是非常有用的，特別是在編程領(lǐng)域。有時(shí)候使用一點(diǎn)點(diǎn)黑客技術(shù)，既可以節(jié)省時(shí)間，還可能挽救“生命”。
一個(gè)小小的快捷方式或附加組件有時(shí)真是天賜之物，并且可以成為真正的生產(chǎn)力助推器。所以，這里有一些小提示和小技巧，有些可能是新的，但我相信在下一個(gè)數(shù)據(jù)分析項(xiàng)目中會(huì)讓你非常方便。
Pandas中數(shù)據(jù)框數(shù)據(jù)的Profiling過(guò)程
Profiling（分析器）是一個(gè)幫助我們理解數(shù)據(jù)的過(guò)程，而Pandas Profiling是一個(gè)Python包，它可以簡(jiǎn)單快速地對(duì)Pandas 的數(shù)據(jù)框數(shù)據(jù)進(jìn)行 探索 性數(shù)據(jù)分析。
Pandas中df.describe()和df.info()函數(shù)可以實(shí)現(xiàn)EDA過(guò)程第一步。但是，它們只提供了對(duì)數(shù)據(jù)非常基本的概述，對(duì)于大型數(shù)據(jù)集沒(méi)有太大幫助。 而Pandas中的Profiling功能簡(jiǎn)單通過(guò)一行代碼就能顯示大量信息，且在交互式HTML報(bào)告中也是如此。
對(duì)于給定的數(shù)據(jù)集，Pandas中的profiling包計(jì)算了以下統(tǒng)計(jì)信息：
由Pandas Profiling包計(jì)算出的統(tǒng)計(jì)信息包括直方圖、眾數(shù)、相關(guān)系數(shù)、分位數(shù)、描述統(tǒng)計(jì)量、其他信息——類(lèi)型、單一變量值、缺失值等。
安裝
用pip安裝或者用conda安裝
pip install pandas-profiling
conda install -c anaconda pandas-profiling
用法
下面代碼是用很久以前的泰坦尼克數(shù)據(jù)集來(lái)演示多功能Python分析器的結(jié)果。
#importing the necessary packages
import pandas as pd
import pandas_profiling
df = pd.read_csv('titanic/train.csv')
pandas_profiling.ProfileReport(df)
一行代碼就能實(shí)現(xiàn)在Jupyter Notebook中顯示完整的數(shù)據(jù)分析報(bào)告，該報(bào)告非常詳細(xì)，且包含了必要的圖表信息。
還可以使用以下代碼將報(bào)告導(dǎo)出到交互式HTML文件中。
profile = pandas_profiling.ProfileReport(df)
profile.to_file(outputfile="Titanic data profiling.html")
Pandas實(shí)現(xiàn)交互式作圖
Pandas有一個(gè)內(nèi)置的.plot（）函數(shù)作為DataFrame類(lèi)的一部分。但是，使用此功能呈現(xiàn)的可視化不是交互式的，這使得它沒(méi)那么吸引人。同樣，使用pandas.DataFrame.plot（）函數(shù)繪制圖表也不能實(shí)現(xiàn)交互。 如果我們需要在不對(duì)代碼進(jìn)行重大修改的情況下用Pandas繪制交互式圖表怎么辦呢？這個(gè)時(shí)候就可以用Cufflinks庫(kù)來(lái)實(shí)現(xiàn)。
Cufflinks庫(kù)可以將有強(qiáng)大功能的plotly和擁有靈活性的pandas結(jié)合在一起，非常便于繪圖。下面就來(lái)看在pandas中如何安裝和使用Cufflinks庫(kù)。
安裝
pip install plotly
# Plotly is a pre-requisite before installing cufflinks
pip install cufflinks
用法
#importing Pandas
import pandas as pd
#importing plotly and cufflinks in offline mode
import cufflinks as cf
import plotly.offline
cf.go_offline()
cf.set_config_file(offline=False, world_readable=True)
是時(shí)候展示泰坦尼克號(hào)數(shù)據(jù)集的魔力了。
df.iplot()
df.iplot() vs df.plot()
右側(cè)的可視化顯示了靜態(tài)圖表，而左側(cè)圖表是交互式的，更詳細(xì)，并且所有這些在語(yǔ)法上都沒(méi)有任何重大更改。
Magic命令
Magic命令是Jupyter notebook中的一組便捷功能，旨在解決標(biāo)準(zhǔn)數(shù)據(jù)分析中的一些常見(jiàn)問(wèn)題。使用命令％lsmagic可以看到所有的可用命令。
所有可用的Magic命令列表
Magic命令有兩種：行magic命令（line magics），以單個(gè)％字符為前綴，在單行輸入操作；單元magic命令（cell magics），以雙%%字符為前綴，可以在多行輸入操作。如果設(shè)置為1，則不用鍵入%即可調(diào)用Magic函數(shù)。
接下來(lái)看一些在常見(jiàn)數(shù)據(jù)分析任務(wù)中可能用到的命令：
% pastebin
％pastebin將代碼上傳到Pastebin并返回url。Pastebin是一個(gè)在線內(nèi)容托管服務(wù)，可以存儲(chǔ)純文本，如源代碼片段，然后通過(guò)url可以與其他人共享。事實(shí)上，Github gist也類(lèi)似于pastebin，只是有版本控制。
在file.py文件中寫(xiě)一個(gè)包含以下內(nèi)容的python腳本，并試著運(yùn)行看看結(jié)果。
#file.py
def foo(x):
return x
在Jupyter Notebook中使用％pastebin生成一個(gè)pastebin url。
%matplotlib notebook
函數(shù)用于在Jupyter notebook中呈現(xiàn)靜態(tài)matplotlib圖。用notebook替換inline，可以輕松獲得可縮放和可調(diào)整大小的繪圖。但記得這個(gè)函數(shù)要在導(dǎo)入matplotlib庫(kù)之前調(diào)用。
%run
用％run函數(shù)在notebook中運(yùn)行一個(gè)python腳本試試。
%run file.py
%%writefile
%% writefile是將單元格內(nèi)容寫(xiě)入文件中。以下代碼將腳本寫(xiě)入名為foo.py的文件并保存在當(dāng)前目錄中。
%%latex
%%latex函數(shù)將單元格內(nèi)容以LaTeX形式呈現(xiàn)。此函數(shù)對(duì)于在單元格中編寫(xiě)數(shù)學(xué)公式和方程很有用。
查找并解決錯(cuò)誤
交互式調(diào)試器也是一個(gè)神奇的功能，我把它單獨(dú)定義了一類(lèi)。如果在運(yùn)行代碼單元時(shí)出現(xiàn)異常，請(qǐng)?jiān)谛滦兄墟I入％debug并運(yùn)行它。 這將打開(kāi)一個(gè)交互式調(diào)試環(huán)境，它能直接定位到發(fā)生異常的位置。還可以檢查程序中分配的變量值，并在此處執(zhí)行操作。退出調(diào)試器單擊q即可。
Printing也有小技巧
如果您想生成美觀的數(shù)據(jù)結(jié)構(gòu)，pprint是首選。它在打印字典數(shù)據(jù)或JSON數(shù)據(jù)時(shí)特別有用。接下來(lái)看一個(gè)使用print和pprint來(lái)顯示輸出的示例。
讓你的筆記脫穎而出
我們可以在您的Jupyter notebook中使用警示框/注釋框來(lái)突出顯示重要內(nèi)容或其他需要突出的內(nèi)容。注釋的顏色取決于指定的警報(bào)類(lèi)型。只需在需要突出顯示的單元格中添加以下任一代碼或所有代碼即可。
藍(lán)色警示框：信息提示
p class="alert alert-block alert-info"
bTip:/b Use blue boxes (alert-info) for tips and notes.
If it’s a note, you don’t have to include the word “Note”.
/p
黃色警示框：警告
p class="alert alert-block alert-warning"
bExample:/b Yellow Boxes are generally used to include additional examples or mathematical formulas.
/p
綠色警示框：成功
p class="alert alert-block alert-success"
Use green box only when necessary like to display links to related content.
/p
紅色警示框：高危
p class="alert alert-block alert-danger"
It is good to avoid red boxes but can be used to alert users to not delete some important part of code etc.
/p
打印單元格所有代碼的輸出結(jié)果
假如有一個(gè)Jupyter Notebook的單元格，其中包含以下代碼行：
In [1]: 10+5
11+6
Out [1]: 17
單元格的正常屬性是只打印最后一個(gè)輸出，而對(duì)于其他輸出，我們需要添加print()函數(shù)。然而通過(guò)在notebook頂部添加以下代碼段可以一次打印所有輸出。
添加代碼后所有的輸出結(jié)果就會(huì)一個(gè)接一個(gè)地打印出來(lái)。
In [1]: 10+5
11+6
12+7
Out [1]: 15
Out [1]: 17
Out [1]: 19
恢復(fù)原始設(shè)置：
InteractiveShell.ast_node_interactivity = "last_expr"
使用'i'選項(xiàng)運(yùn)行python腳本
從命令行運(yùn)行python腳本的典型方法是：python hello.py。但是，如果在運(yùn)行相同的腳本時(shí)添加-i，例如python -i hello.py，就能提供更多優(yōu)勢(shì)。接下來(lái)看看結(jié)果如何。
首先，即使程序結(jié)束，python也不會(huì)退出解釋器。因此，我們可以檢查變量的值和程序中定義的函數(shù)的正確性。
其次，我們可以輕松地調(diào)用python調(diào)試器，因?yàn)槲覀內(nèi)匀辉诮忉屍髦校?/p>
import pdb
pdb.pm()
這能定位異常發(fā)生的位置，然后我們可以處理異常代碼。
自動(dòng)評(píng)論代碼
Ctrl / Cmd + /自動(dòng)注釋單元格中的選定行，再次命中組合將取消注釋相同的代碼行。
刪除容易恢復(fù)難
你有沒(méi)有意外刪除過(guò)Jupyter notebook中的單元格？如果答案是肯定的，那么可以掌握這個(gè)撤消刪除操作的快捷方式。
如果您刪除了單元格的內(nèi)容，可以通過(guò)按CTRL / CMD + Z輕松恢復(fù)它。
如果需要恢復(fù)整個(gè)已刪除的單元格，請(qǐng)按ESC + Z或EDIT撤消刪除單元格。
結(jié)論
在本文中，我列出了使用Python和Jupyter notebook時(shí)收集的一些小提示。我相信它們會(huì)對(duì)你有用，能讓你有所收獲，從而實(shí)現(xiàn)輕松編碼！
重慶分公司
重慶分公司
